Development of good modelling practice for physiologically based pharmacokinetic models for use in risk assessment : The first steps
Notice bibliographique
Résumé
The increasing use of tissue dosimetry estimated using pharmacokinetic models in chemical risk assessments in various jurisdictions necessitates the development of internationally recognized good modelling practice (GMP). These practices would facilitate sharing of models and model evaluations and consistent applications in risk assessments. Clear descriptions of good practices for (1) model development i.e., research and analysis activities, (2) model characterization i.e., methods to describe how consistent the model is with biology and the strengths and limitations of available models and data, such as sensitivity analyses, (3) model documentation, and (4) model evaluation i.e., independent review that will assist risk assessors in their decisions of whether and how to use the models, and also model developers to understand expectations for various purposes e.g., research versus application in risk assessment. Next steps in the development of guidance for GMP and research to improve the scientific basis of the models are described based on a review of the current status of the application of physiologically based pharmacokinetic (PBPK) models in risk assessments in Europe, Canada, and the United States at the International Workshop on the Development of GMP for PBPK Models in Greece on April 27-29, 2007. Crown Copyright © 2008.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,129 | 0,186 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,014 | 0,016 |
| Science ouverte | 0,012 | 0,009 |
| Intégrité de la recherche | 0,009 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».